新增卫星厅下机场航班——登机口优化分配问题

考虑机场新增卫星厅这一情形并研究了航班——登机口优化分配问题。首先建立了以被使用登机口数量最少和中转旅客中转流程时间最少的双目标0-1整数规划模型,然后设计了考虑初始状态较优的分层寻优算法,在初始分配最优的状态下,设计逐步动态搜索算法进行航班的再分配,最后进行了案例计算,根据原始数据进行了航班——登机口的分配,并计算分析了登机口使用率情况和中转旅客换乘时间分布。     

考虑高铁客运产品间交叉弹性的动态票价策略

将由特定高铁列车所提供的起讫点间的旅客运输服务定义为单个高铁客运产品。随着高速铁路越来越"公交化",同一起讫点间客运产品间的可替代性越来越强,票价的调整有了更精细化的要求。用经济学中的交叉弹性理论描述客运产品间的可替代程度,用指数需求函数描述客运产品的需求与票价的关系,构建并求解高铁动态票价优化模型,对客运产品间不同可替代程度下的最优动态票价策略进行研究。结果显示:高铁客运产品间的可替代性会影响票价策略的选择,且客运产品间可替代程度的增加是否有利于客票收益的提高与可行折扣票价集合的选取有关。     

铁路行车迂回调度命令优化及迂回动态研究

按照中国国家铁路集团有限公司执行承运清算管理办法的要求,为统计部门在承运清算时提供铁路行车迂回调度命令及迂回详细信息。通过分析历史迂回调度命令内容,总结铁路行车迂回运输的主要原因及数据来源,提出调度命令系统与铁路调度计划编制系统之间建立数据共享服务接口及数据联动,实现在发布迂回调度命令时细化列车编组的方案,为承运清算提供迂回调度命令号码及迂回车辆的车号、迂回径路等精细化费用结算依据。目前,该方案已在全国铁路得到广泛应用,为调度生产部门减少了一半以上因为迂回延续而发布的调度命令,并对迂回车辆的动态趋势进行预警,得到了用户的认可和好评。     

基于XGBoost的短时出租车速度预测模型

准确预测短时出租车速度是识别驾驶员异常加减速行为的前提，有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象，研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集，构造滑动时间窗口，以时间窗口内的出租车历史移动速度的时间序列为输入变量，以出租车当前时间的移动速度为输出变量，采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化，得到模型最优参数组合，并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析，将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明:所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841，均方根误差（RMSE）为12.711，均低于非参数回归模型和神经网络模型，提高了出租车速度的预测精度；由于出租车速度序列缺乏规律性，调整后的R₂（R₂ _adjusted）为0.592，且相较于其他2个模型，XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果，避免了过拟合造成的预测精度下降。      

强化铁路检修车管理的思考

如何准确、均衡地扣修铁路运用车辆,既保证维修单位任务完成,又满足提高运输效率要求,是铁路运输管理的难点之一。本文以南宁局集团公司为例,总结分析针对检修车扣车不均衡、检修车超定量问题,采取集成数据,编制检修车管理指导子系统,强化检修车的监控与预测、扣车追踪、动态管控、均衡扣车等措施的落实效果,旨在为有效提升检修车管送能力,确保运输用车需求提供借鉴。     

船舶动力设备退化基线计算及预测方法

船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能,对具有重要特征参数或性能指标的船舶动力设备而言,若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题,以目标设备按性能退化时间序列采集的特征参数为研究对象,首先建立退化基线计算方法,利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线;然后建立ARMA预测模型获得预测参数,并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测;最后利用海水泵对建立的方法可行性进行验证。结果表明,本文建立的退化基线计算方法能够获得动态基线,退化基线预测方法能够对动态基线的变化时间节点进行准确预测。     

基于OpenMV的云台追踪系统设计

为解决传统目标识别过程中目标不能移动、动态追踪等问题,基于OpenMV,采用PID控制、模块识别、颜色识别、图像处理等技术和方法,设计了一种能够自主动态追踪目标物体的云台系统。锥桶的动态追踪识别测试结果表明:系统能够较好地完成动态追踪。     

基于数据驱动的船舶油耗预测模型研究

以某客滚船为研究对象,将大量航行实际数据进行预处理,通过斯皮尔曼等级相关分析选择出船舶左右桨螺距、左右舷舵角、纵倾、船首风速、船舶对水和对地航速为油耗主要影响参数。建立基于LSTM神经网络的黑箱模型对数据进行学习并预测油耗,额外选取测试样本验证模型精度,优化模型内部结构以进一步提高预测精度。将最终得到的预测数据与实测数据对比,证明模型具有良好的准确性。该研究方法能为船舶运营人员优化运营方案提供参考,能够提高水路交通运输的经济性。